基于深度学习的预测:在冲击载荷作用下,蜂窝状 metamaterials(变构材料)的局部变形与整体结构失效现象

《International Journal of Impact Engineering》:Deep learning-based prediction on the local deformation and global collapse in cellular metamaterials under impact loading

【字体: 大 中 小 】 时间:2026年10月27日 来源:International Journal of Impact Engineering 6.7

编辑推荐:

  摘要蜂窝状超材料表现出与撞击速度相关的变形模式转变,但高效获取其局部变形场仍然具有挑战性。在这项工作中,开发了一种基于几何表示和加载条件的条件深度学习模型,用于预测蜂窝结构在平面压缩下的局部应变场。该模型通过有限元(FE)仿真进行训练,并通过准静态和落锤试验进行了验证。之后,预测

  

摘要

蜂窝状超材料表现出与撞击速度相关的变形模式转变,但高效获取其局部变形场仍然具有挑战性。在这项工作中,开发了一种基于几何表示和加载条件的条件深度学习模型,用于预测蜂窝结构在平面压缩下的局部应变场。该模型通过有限元(FE)仿真进行训练,并通过准静态和落锤试验进行了验证。之后,预测的应变场被进一步用于变形模式分析和关键撞击速度的识别。结果表明,该模型在低、中和高速度下的像素级R2值分别为0.865、0.900和0.950,在同类几何变化下的R2值为0.916。同时,从预测的应变场中得出的应变比准则识别出了蜂窝结构从V形局部化到渐进式分层压碎的转变,其关键速度与冲击模型尺度一致。这一框架为平面加载下的二维蜂窝结构的全场冲击响应评估、变形模式解释和关键速度识别提供了一种有效的工具。

引言

由于机械超材料具有可定制的内部结构和优越的机械性能[[1], [2], [3], [4]],它们在轻量化设计、冲击防护和多功能结构领域受到了广泛关注。与传统致密材料不同,它们的刚度、强度、能量吸收和变形行为可以通过内部几何拓扑和空间排列来调节[1,2,5]。这种由结构驱动的设计策略促进了材料设计、机械响应特性和结构优化的进展[2,3,6]。在各种结构中,蜂窝状蜂窝结构因其明确的配置、易于制造和出色的比能量吸收能力而具有代表性[5,7]。通过改变单元形状、拓扑连接和几何参数,这些结构可以展示出广泛的可调机械响应[[8], [9], [10], [11], [12], [13], [14]]。在压缩和冲击载荷下,它们表现出以结构为主导的变形特性,使其适合研究几何拓扑、局部应变演变和宏观机械行为之间的关系[[15], [16], [17], [18]]。
与准静态压缩相比,受到冲击载荷的蜂窝状超材料表现出更复杂的动态压碎响应,因为随着撞击速度的增加,惯性效应和应力波效应变得越来越显著。Liao等人[19]研究了二维蜂窝结构在动态压碎过程中的局部应变场演变和冲击波速度,而Zheng等人[20]建立了基于冲击波的模型来描述蜂窝材料的速度依赖性压碎机制。研究表明,撞击速度强烈影响蜂窝结构的变形模式、能量吸收和冲击波前沿特性[21,22],而对蜂窝固体的早期冲击测试为动态压碎行为提供了实验支持[23]。最近关于增强型、仿生螺旋形和星形手性蜂窝结构的研究也证明了拓扑设计在抗冲击性和变形局部化方面的关键作用[[24], [25], [26], [27], [28]]。此外,冲击增强模型和连续介质波模型表明,过渡态和冲击压碎模式是蜂窝材料在动态载荷下的关键特征[29,30]。因此,速度依赖的局部化演变和压碎模式转变对于理解蜂窝材料的冲击响应非常重要,而局部应变场提供的空间信息比峰值力、平台应力或平均应变等全局指标更为丰富[19,20,22]。
关于蜂窝结构中局部变形和模式转变的现有研究主要依赖于有限元(FE)分析、实验测量和理论模型[19,21,22,30]。这些方法揭示了局部应变演变、冲击波前沿传播和关键速度区域[19,20,29,30]。然而,要在多个撞击速度、变形阶段和结构配置下获取局部应变场,仍然需要大量的计算、实验和后处理成本[19,[31], [32], [33], [34]]。这一限制限制了快速响应评估和大规模结构分析[35], [36], [37], [38]]。数据驱动模型为机械响应预测和结构设计提供了另一种途径[39], [40], [41], [42], [43]],并已应用于结构-属性映射、逆向设计和基于拓扑的复杂结构表示[44], [45], [46], [47], [48], [49], [50]]。这些发展建立在结构材料的更广泛进展之上。代表性研究通过凹形几何和弹性不稳定性[51,52]、负压缩性和可编程或多稳态响应[53], [54], [55],以及折纸启用的变形和重构[56], [57], [58]实现了各向异性。空间纹理化和手性三维结构进一步拓展了可获得的机械响应空间[59]。最近的研究表明,数据驱动的逆向设计可以定制机械超材料的非线性应力-应变响应[60,61]。基于扩散的生成模型也被应用于能量吸收超材料的定制设计[62]。同时,深度学习框架已扩展到梯度型和多功能机械超材料,用于快速性能预测和逆向设计[63,64]。然而,大多数现有研究集中在标量响应、应力-应变曲线或准静态条件[43,49,65,66]上。利用预测的局部应变场进行冲击诱导的变形模式分析和关键撞击速度识别仍然未被充分探索[67], [68], [69], [70]]。
本文开发了一种用于蜂窝状蜂窝结构在压缩和冲击载荷下的二维局部应变场预测框架。在准静态和低速冲击条件下进行实验评估后,使用FE仿真为12种代表性蜂窝配置在不同加载条件下构建了局部应变场数据集。然后建立了一个基于几何和条件的替代模型,将结构几何、加载状态和变形阶段映射到相应的局部应变场。预测场进一步用于分析速度依赖的变形模式演变并识别关键撞击速度,为全场冲击响应预测和坍塌模式解释提供了一种高效的数据驱动方法。目前的范围仅限于平面加载下的二维蜂窝结构,尚未确定其在平面外冲击、夹层结构或三维晶格中的适用性。

章节片段

方法论

所提出的局部应变场预测框架如图1所示。使用FE模型生成局部应变场数据,然后结合几何和加载条件表示进行神经网络预测和速度分析。

神经网络模型

建立了一个神经网络模型,用于从结构几何和加载条件预测二维局部应变场。与标量响应回归[36,[67], [68], [69]不同,这项任务需要直接重建不同几何形状、撞击速度和变形阶段下的全场应变分布。

预测结果

本节从四个方面评估所提出模型的局部应变场预测能力:代表性的全场预测、总体定量性能、消融研究和同类参数变化。评估重点关注全局预测精度以及高应变区域、局部化带的重建和热点响应。

模式转变和关键撞击速度

进一步利用预测的局部应变场分析不同撞击速度下蜂窝超材料中应变局部化的演变和变形模式的转变。本节评估了替代模型的计算效率,检查了高应变区域的速度依赖性迁移,并提出了一个基于应变场特性的标准来识别关键撞击速度。

结论

本研究开发了一种用于预测压缩和冲击载荷下二维蜂窝结构局部应变场的条件深度学习框架。主要结论如下:
  • (1)
    所提出的基于几何和条件的替代模型有效地重建了广泛撞击速度范围内的局部应变场的空间分布和演变。在主要数据集上,模型的整体像素级R2值为0.93。消融结果

CRediT作者贡献声明

张新春:正式分析、方法论、监督、写作 - 审稿与编辑。徐正:概念化、方法论、资源、写作 - 原稿。肖立军:方法论、写作 - 审稿与编辑、资金获取、正式分析。饶立祥:正式分析、资金获取、写作 - 审稿与编辑。宋志毅:概念化、正式分析。

数据可用性

数据可根据请求提供。

CRediT作者贡献声明

张新春:写作 – 审稿与编辑、监督、方法论、正式分析。徐正:写作 – 原稿、资源、方法论、概念化。肖立军:写作 – 审稿与编辑、方法论、资金获取、正式分析。饶立祥:写作 – 审稿与编辑、资金获取、正式分析。宋志毅:正式分析、概念化。
张新春|徐正|肖立军|饶立祥|宋志毅
华北电力大学燕赵电力实验室,保定 071003,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号